CN116452580A - 一种笔记本外观质量检测方法 - Google Patents
一种笔记本外观质量检测方法 Download PDFInfo
- Publication number
- CN116452580A CN116452580A CN202310691466.XA CN202310691466A CN116452580A CN 116452580 A CN116452580 A CN 116452580A CN 202310691466 A CN202310691466 A CN 202310691466A CN 116452580 A CN116452580 A CN 116452580A
- Authority
- CN
- China
- Prior art keywords
- key
- key position
- template
- areas
- pixel points
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title abstract description 14
- 230000007547 defect Effects 0.000 claims abstract description 60
- 238000000034 method Methods 0.000 claims description 24
- 238000010586 diagram Methods 0.000 claims description 8
- 230000000739 chaotic effect Effects 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种笔记本外观质量检测方法,包括:对笔记本电脑键盘图像以及模板图像进行分割,得到笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位,根据键位区域以及模板键位中的边缘像素点获取键位区域与对应的模板键位的边缘匹配率,进而得到键位区域的搜索步长,根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点,根据键位区域中标记像素点形成的连通域以及边缘匹配率获取每个键位区域的缺陷概率,进而得到缺陷区域。本发明结合搜索步长对每个键位区域进行搜索,减少了模板匹配的计算量,同时对于笔记本外观质量检测更加准确。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种笔记本外观质量检测方法。
背景技术
随着电子产品不断更新迭代,笔记本电脑生产过程中的自动化程度也越来越高,在前期装配生产中,随着生产效率提高的同时,成品的质量问题仍然不可避免。传统的人工检测方法不仅检测速度慢,劳动压力大,检测结果也受检验人员的经验、熟练程度以及一些主管因素的影响,缺乏一致性和可靠性。
键盘作为笔记本电脑的中更要组成部分,牵动消费者使用电脑的直观感受,但是在生产过程中,可能由于工作人员的失误或机器故障,造成键盘框架中的凸耳字符断裂,此时就需要以标准单个键盘作为模板图像对整个键盘图像进行检测。
模板匹配算法可以用来实现完整性检测,可以根据模板和检测图像的差异性锁定缺陷区域,但是该算法逐像素搜索的特点造成的计算量很大,对***的计算性能要求严格,效率较低。
发明内容
本发明提供一种笔记本外观质量检测方法,以解决现有的问题。
本发明的一种笔记本外观质量检测方法采用如下技术方案:
本发明一个实施例提供了一种笔记本外观质量检测方法,该方法包括以下步骤:
采集笔记本电脑键盘图像以及模板图像;对笔记本电脑键盘图像以及模板图像进行分割,获取笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位;
对笔记本电脑键盘图像以及模板图像分别进行边缘检测,获取笔记本电脑键盘图像的每个键位区域中的边缘像素点以及模板图像的每个模板键位中的边缘像素点;
根据边缘像素点获取每个键位区域与对应的模板键位的边缘匹配率;根据每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的搜索步长;根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点;
获取每个键位区域中所有标记像素点形成的所有连通域;获取每个键位区域中所有连通域的混乱程度;根据每个键位区域中所有连通域的混乱程度以及每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的缺陷概率;
根据缺陷概率获取缺陷区域。
优选的,所述对笔记本电脑键盘图像以及模板图像进行分割,获取笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位,包括的具体步骤如下:
根据笔记本电脑的键盘设计图中每个键位的形态、大小以及位置对笔记本电脑键盘图像进行分割,得到笔记本电脑键盘图像中所有的键位区域;
根据笔记本电脑的键盘设计图中每个键位的形态、大小以及位置对模板图像进行分割,得到模板图像中所有的键位区域,记为模板键位。
优选的,所述根据边缘像素点获取每个键位区域与对应的模板键位的边缘匹配率,包括的具体步骤如下:
其中,为第个键位区域与对应的模板键位的边缘匹配率;为第个键位区
域中包含的边缘像素点的个数;为第个键位区域中第个边缘像素点在对应的模板
键位中的投影点与模板键位中距离该投影点最近的边缘像素点的欧式距离;为双曲
正切函数;为超参数。
优选的,所述根据每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的搜索步长,包括的具体步骤如下:
其中,表示第个键位区域的搜索步长;为第个键位区域与对应的模板键
位的边缘匹配率;为正切函数;为向上取整符号。
优选的,所述根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点,包括的具体步骤如下:
S1:以键位区域的中心像素点作为初始的搜索点;
S2:以键位区域的搜索步长为半径,获取搜索点的十字方向上,到搜索点的欧式距离为搜索步长的像素点,作为目标像素点,所述目标像素点不能为搜索点;
获取每个目标像素点与对应的模板键位中相同位置的像素点的灰度值的差值的绝对值,作为每个目标像素点的灰度差异;
对灰度差异大于灰度阈值的目标像素点进行标记,得到标记像素点;若标记像素点对应的搜索点也为标记像素点时,对标记像素点到对应的搜索点之间的所有像素点都进行标记;
获取所有目标像素点的灰度差异的均值,将灰度差异最大且大于均值的目标像素点作为新的搜索点,新的搜索点不再作为目标像素点;
S3:重复步骤S2,直到得到的新的目标像素点超出键位区域的范围,或不存在新的搜索点时停止迭代,得到键位区域中的所有标记像素点。
优选的,所述获取每个键位区域中所有连通域的混乱程度,包括的具体步骤如下:
其中,表示第个键位区域中所有连通域的混乱程度;为第个键位区域中
第个连通域的面积;为第个键位区域中连通域的个数。
优选的,所述获取每个键位区域的缺陷概率,包括的具体步骤如下:
其中为第个键位区域的缺陷概率;为第个键位区域中所有连通域的混
乱程度;为第个键位区域中第个连通域的面积;为第个键位区域的面积;为第个键位区域与对应的模板键位的边缘匹配率;为第个键位区域中连通域的个数;是以自然常数为底的指数函数。
优选的,所述根据缺陷概率获取缺陷区域,包括的具体步骤如下:
当键位区域的缺陷概率大于缺陷阈值时,获取该键位区域中所有连通域的面积的均值,将面积大于均值的连通域作为缺陷区域。
本发明的技术方案的有益效果是:本发明对笔记本电脑键盘图像以及模板图像进行分割,得到笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位,根据键位区域以及模板键位中的边缘像素点获取键位区域与对应的模板键位的边缘匹配率,根据边缘匹配率获取键位区域的搜索步长,根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点,相较于传统的模板匹配方法对所有像素点进行遍历匹配,本发明根据边缘匹配率对键位区域自适应搜索,极大的减少了计算量,同时确保了细节的搜索。本发明根据键位区域中标记像素点形成的连通域以及边缘匹配率获取每个键位区域的缺陷概率,进而得到缺陷区域。本发明减少了模板匹配的计算量,提高了计算效率,获取的缺陷区域更加精确,对笔记本外观质量的检测更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种笔记本外观质量检测方法的步骤流程图;
图2为笔记本电脑键盘图像;
图3为十字方向示意图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种笔记本外观质量检测方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种笔记本外观质量检测方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种笔记本外观质量检测方法的步骤流程图,该方法包括以下步骤:
S001.采集笔记本电脑键盘图像以及模板图像,对笔记本电脑键盘图像以及模板图像进行分割。
在笔记本出厂检测生产线上布置工业相机,将工业相机放置在生产线的正上方,俯视拍摄笔记本电脑键盘的内部图像,为了便于后续处理,对笔记本电脑键盘的内部图像进行灰度化处理,将得到的灰度图记为笔记本电脑键盘图像。本发明实施例的一个笔记本电脑键盘图像参见图2。
需要说明的是,每个品牌的笔记本电脑的键盘在生产时都有相应的设计图,键盘上的键位都有其对应的位置,为了便于后续检测,可笔记本电脑键盘图像进行分割,获取键盘上的所有键位区域。
在本发明实施例中,根据笔记本电脑的键盘设计图中每个键位的形态、大小以及位置对笔记本电脑键盘图像进行分割,得到笔记本电脑键盘图像中所有的键位区域。
需要说明的是,若键位中存在凸耳字符断裂缺陷,会使得键位的边缘产生偏差,图2中灰色的椭圆圈出的区域为凸耳字符断裂缺陷。因此可根据无缺陷的笔记电脑的键盘图像来识别当前笔记本电脑键盘图像中键位的缺陷。
在本发明实施例中,利用工业相机拍摄人为确定的无缺陷的笔记本电脑键盘的图像,作为模板图像。根据笔记本电脑的键盘设计图中每个键位的形态、大小以及位置对模板图像进行分割,得到模板图像中所有的键位区域,记为模板键位。
利用canny算子对笔记本电脑键盘图像以及模板图像分别进行边缘检测,获取笔记本电脑键盘图像的每个键位区域中的边缘像素点以及模板图像的每个模板键位中的边缘像素点。
至此,获得了笔记本电脑键盘图像的键位区域以及键位区域中的边缘像素点,同时获取了模板图像中的模板键位以及模板键位中的边缘像素点。
S002.获取每个键位区域与模板键位的边缘匹配率。
需要说明的是,键位的凸耳字符断裂缺陷为键盘内部结构产生变化,会造成键位区域中提取的边缘像素点的位置产生偏差,因此可根据笔记本电脑键盘图像的键位区域与对应的模板键位中边缘像素点的位置差异,量化键位区域与模板键位的边缘匹配率,边缘匹配率越小,说明键位区域中越可能存在缺陷,后续需要以更精确的方式获取键位区域中的缺陷的准确位置。
在本发明实施例中,分别以笔记本电脑键盘图像以及模板图像中左上角第一个像素点为坐标原点,以水平向右方向为横轴,垂直向下方向为纵轴,构建笔记本电脑键盘图像的直角坐标系以及模板图像的直角坐标系。
将每个键位区域中所有边缘像素点投影到对应的模板键位中,获取每个键位区域与对应的模板键位的边缘匹配率:
其中,为第个键位区域与对应的模板键位的边缘匹配率;为第个键位区
域中包含的边缘像素点的个数;为第个键位区域中第个边缘像素点在对应的模板
键位中的投影点与模板键位中距离该投影点最近的边缘像素点的欧式距离,用来衡量第
个键位区域中第个边缘像素点的位置偏差程度;为双曲正切函数;为超参数,经
验值为0.5,目的是为了防止过大,导致恒接近1,在其他实
施例中实施人员可根据实际实施情况设置超参数的值;越大,第个键位区域中第个
边缘像素点的偏差程度越大;越大,第个键位区域中所有边缘像素点的整体
偏差程度越大,第个键位区域存在凸耳字符断裂的可能性越大,此时第个键位区域与
对应的模板键位的边缘匹配率越小;反之,当越小,第个键位区域中所有边
缘像素点的整体偏差程度越小,第个键位区域存在凸耳字符断裂的可能性越小,此时第个键位区域与对应的模板键位的边缘匹配率越大。
至此,获取了每个键位区域与对应的模板键位的边缘匹配率。
S003.获取每个键位区域的标记像素点。
需要说明的是,为了获取缺陷的准确位置,可对每个键位区域进行搜索。边缘匹配率高的键位区域存在缺陷的概率较低,在此些键位区域搜索时可以适当增大搜索步长以减少计算量,边缘匹配率低的键位区域存在缺陷的概率较大,在边缘匹配率较低的键位区域需要更精确的搜索以确定缺陷具***置,所以此时需要设定搜索步长较小。因此需要结合键位区域的边缘匹配率来为每个键位区域设置不同的搜索步长,根据搜索步长对每个键位区域进行搜索。十字交叉搜索法可以提高计算效率,可将每个键位区域的搜索步长应用于十字交叉搜索法中,获取所有可能为缺陷的像素点,并进行标记。
在本发明实施例中,根据每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的搜索步长:
其中,表示第个键位区域的搜索步长;为第个键位区域与对应的模板键
位的边缘匹配率;为圆周率;为超参数;为正切函数;为向上取整符号;当第个
键位区域与对应的模板键位的边缘匹配率越大时,第个键位区域的搜索步长越大,当第个键位区域与对应的模板键位的边缘匹配率越小时,第个键位区域的搜索步长越小。
获取每个键位区域的搜索步长后,将搜索步长应用于十字搜索法中,本发明实施
例以第个键位区域为例进行说明:
1、首先以第个键位区域的中心像素点作为初始的搜索点;
2、以第个键位区域的搜索步长为半径,获取搜索点的十字方向上,到搜索点的
欧式距离为搜索步长的像素点,将此些像素点作为目标像素点。十字方向示意图参见图3。
需要说明的是,当搜索点的十字方向上,到搜索点距离为搜索步长的像素点为历史的搜索
点时,不再将此历史的搜索点作为目标像素点。获取每个目标像素点的灰度差异:
其中,为第个键位区域的第个目标像素点的灰度差异,即第个键位区域
的第个目标像素点与第个键位区域对应的模板键位中相同位置的像素点的灰度差异;为第个键位区域的第个目标像素点的灰度值;为第个键位区域的第个目标像
素点在第个键位区域对应的模板键位中相同位置的像素点的灰度值;为绝对值符号。
预设一个灰度阈值P,其中本实施例以P=8为例进行叙述,本实施例不进行具体限定,其中P可根据具体实施情况而定。
对灰度差异大于灰度阈值P的目标像素点进行标记,得到标记像素点。若标记像素点对应的搜索点也为标记像素点时,对标记像素点到对应的搜索点之间的所有像素点都进行标记。
获取所有目标像素点的灰度差异的均值,将灰度差异最大且大于均值的目标像素点作为新的搜索点,将搜索点不再作为目标像素点。
3、重复步骤2,直到得到的新的目标像素点超出第个键位区域的范围,或不存在
新的搜索点时停止迭代。
至此,得到了第个键位区域的所有标记像素点。
同理,获取每个键位区域的标记像素点。
S004.获取每个键位区域的缺陷概率。
需要说的是,标记像素点的灰度值与该标记像素点在模板键位中对应的像素点的灰度值的差异较大,说明标记像素点可能为缺陷对应的像素点。由于键盘产生缺陷其键位区域中标记像素点产生的连通域分布较为复杂却离散,因此可对标记像素点进行二值化处理,根据二值化后标记像素点的连通域获取每个键位区域存在缺陷的概率。在标记的过程中,噪声点会导致结果产生偏差,因此本发明实施例结合单个连通域包含的信息量以及信息混乱程度确定每个键位区域存在缺陷的概率。
在本发明实施例中,将每个键位区域的所有标记像素点的灰度值置为1,将其余像素点的灰度值置为0,得到每个键位区域的二值图像,对每个键位区域的二值图像进行连通域分析,获取所有标记像素点形成的所有连通域。
获取每个键位区域中所有连通域的混乱程度:
其中,表示第个键位区域中所有连通域的混乱程度;为第个键位区域中
第个连通域的面积;为第个键位区域中连通域的个数;若第个区域中包含的连通域
的面积都较为一致时,每个连通域大概率都为噪声点,而不是真正的标记的灰度差异高的
区域,此时第个键位区域中所有连通域的混乱程度越大,反之,当第每个键位区域中存在
缺陷时,缺陷对应的连通域较大,其余噪声点对应的连通域较小,此时第个键位区域中所
有连通域的混乱程度越小。
根据每个键位区域中所有连通域的混乱程度获取每个键位区域的缺陷概率:
其中为第个键位区域的缺陷概率;为第个键位区域中所有连通域的混
乱程度;为第个键位区域中第个连通域的面积;为第个键位区域的面积;为第个键位区域与对应的模板键位的边缘匹配率;为第个键位区域中连通域的个数;是以自然常数为底的指数函数;当第个键位区域中所有连通域的面积在第个键
位区域中的占比越大时,说明第个键位区域中存在差异性较大的像素点的个数越多,为
了弱化噪声点的影响,通过第个键位区域中所有连通域的混乱程度对第个键位区域中
所有连通域的面积在第个键位区域中的占比进行调整,弱化噪声点的影响,结合第个
键位区域与对应的模板键位的边缘匹配率,使得缺陷概率的结果更加准确。
至此,获取了每个键位区域的缺陷概率。
S005.获取缺陷区域,进行笔记本外观质量检测。
预设一个缺陷阈值Q,其中本实施例以Q=0.5为例进行叙述,本实施例不进行具体限定,其中Q可根据具体实施情况而定。当键位区域的缺陷概率大于缺陷阈值Q时,认为该键位区域存在缺陷,此时获取该键位区域中所有连通域的面积的均值,将面积大于均值的连通域作为缺陷区域。当键位区域的缺陷概率小于缺陷阈值Q时,认为该键位区域不存在缺陷。
至此,完成了笔记本外观质量检测,获取了准确的缺陷区域,对缺陷区域进行标记,由相关工作人员对缺陷区域进行修复。
通过以上步骤,完成了笔记本外观质量的检测。
本发明实施例通过对笔记本电脑键盘图像以及模板图像进行分割,得到笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位,根据键位区域以及模板键位中的边缘像素点获取键位区域与对应的模板键位的边缘匹配率,根据边缘匹配率获取键位区域的搜索步长,根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点,相较于传统的模板匹配方法对所有像素点进行遍历匹配,本发明根据边缘匹配率对键位区域自适应搜索,极大的减少了计算量,同时确保了细节的搜索。本发明根据键位区域中标记像素点形成的连通域以及边缘匹配率获取每个键位区域的缺陷概率,进而得到缺陷区域。本发明减少了模板匹配的计算量,提高了计算效率,获取的缺陷区域更加精确,对笔记本外观质量的检测更加准确。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种笔记本外观质量检测方法,其特征在于,该方法包括以下步骤:
采集笔记本电脑键盘图像以及模板图像;对笔记本电脑键盘图像以及模板图像进行分割,获取笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位;
对笔记本电脑键盘图像以及模板图像分别进行边缘检测,获取笔记本电脑键盘图像的每个键位区域中的边缘像素点以及模板图像的每个模板键位中的边缘像素点;
根据边缘像素点获取每个键位区域与对应的模板键位的边缘匹配率;根据每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的搜索步长;根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点;
获取每个键位区域中所有标记像素点形成的所有连通域;获取每个键位区域中所有连通域的混乱程度;根据每个键位区域中所有连通域的混乱程度以及每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的缺陷概率;
根据缺陷概率获取缺陷区域。
2.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述对笔记本电脑键盘图像以及模板图像进行分割,获取笔记本电脑键盘图像中所有键位区域以及模板图像中所有模板键位,包括的具体步骤如下:
根据笔记本电脑的键盘设计图中每个键位的形态、大小以及位置对笔记本电脑键盘图像进行分割,得到笔记本电脑键盘图像中所有的键位区域;
根据笔记本电脑的键盘设计图中每个键位的形态、大小以及位置对模板图像进行分割,得到模板图像中所有的键位区域,记为模板键位。
3.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述根据边缘像素点获取每个键位区域与对应的模板键位的边缘匹配率,包括的具体步骤如下:
其中,为第/>个键位区域与对应的模板键位的边缘匹配率;/>为第/>个键位区域中包含的边缘像素点的个数;/>为第/>个键位区域中第/>个边缘像素点在对应的模板键位中的投影点与模板键位中距离该投影点最近的边缘像素点的欧式距离;/>为双曲正切函数;/>为超参数。
4.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述根据每个键位区域与对应的模板键位的边缘匹配率获取每个键位区域的搜索步长,包括的具体步骤如下:
其中,表示第/>个键位区域的搜索步长;/>为第/>个键位区域与对应的模板键位的边缘匹配率;/>为正切函数;/>为向上取整符号。
5.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述根据搜索步长对每个键位区域进行搜索,获取每个键位区域中所有标记像素点,包括的具体步骤如下:
S1:以键位区域的中心像素点作为初始的搜索点;
S2:以键位区域的搜索步长为半径,获取搜索点的十字方向上,到搜索点的欧式距离为搜索步长的像素点,作为目标像素点,所述目标像素点不能为搜索点;
获取每个目标像素点与对应的模板键位中相同位置的像素点的灰度值的差值的绝对值,作为每个目标像素点的灰度差异;
对灰度差异大于灰度阈值的目标像素点进行标记,得到标记像素点;若标记像素点对应的搜索点也为标记像素点时,对标记像素点到对应的搜索点之间的所有像素点都进行标记;
获取所有目标像素点的灰度差异的均值,将灰度差异最大且大于均值的目标像素点作为新的搜索点,新的搜索点不再作为目标像素点;
S3:重复步骤S2,直到得到的新的目标像素点超出键位区域的范围,或不存在新的搜索点时停止迭代,得到键位区域中的所有标记像素点。
6.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述获取每个键位区域中所有连通域的混乱程度,包括的具体步骤如下:
其中,表示第/>个键位区域中所有连通域的混乱程度;/>为第/>个键位区域中第/>个连通域的面积;/>为第/>个键位区域中连通域的个数。
7.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述获取每个键位区域的缺陷概率,包括的具体步骤如下:
其中为第/>个键位区域的缺陷概率;/>为第/>个键位区域中所有连通域的混乱程度;/>为第/>个键位区域中第/>个连通域的面积;/>为第/>个键位区域的面积;/>为第/>个键位区域与对应的模板键位的边缘匹配率;/>为第/>个键位区域中连通域的个数;/>是以自然常数为底的指数函数。
8.根据权利要求1所述的一种笔记本外观质量检测方法,其特征在于,所述根据缺陷概率获取缺陷区域,包括的具体步骤如下:
当键位区域的缺陷概率大于缺陷阈值时,获取该键位区域中所有连通域的面积的均值,将面积大于均值的连通域作为缺陷区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691466.XA CN116452580B (zh) | 2023-06-13 | 2023-06-13 | 一种笔记本外观质量检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310691466.XA CN116452580B (zh) | 2023-06-13 | 2023-06-13 | 一种笔记本外观质量检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116452580A true CN116452580A (zh) | 2023-07-18 |
CN116452580B CN116452580B (zh) | 2023-09-01 |
Family
ID=87132340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310691466.XA Active CN116452580B (zh) | 2023-06-13 | 2023-06-13 | 一种笔记本外观质量检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116452580B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823811A (zh) * | 2023-08-25 | 2023-09-29 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
CN117197144A (zh) * | 2023-11-08 | 2023-12-08 | 深圳市极摩客科技有限公司 | 基于人工智能的主机外壳质量检测方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001243236A (ja) * | 2000-02-28 | 2001-09-07 | Nippon Telegr & Teleph Corp <Ntt> | 映像特徴抽出方法、映像特徴抽出装置、映像検索方法、映像検索装置、およびそのプログラムを記録した記録媒体 |
CN103077534A (zh) * | 2012-12-31 | 2013-05-01 | 南京华图信息技术有限公司 | 时空多尺度运动目标检测方法 |
US20160171328A1 (en) * | 2014-12-11 | 2016-06-16 | Xerox Corporation | Methods and systems for vehicle tag number recognition |
US20160351095A1 (en) * | 2015-05-29 | 2016-12-01 | Lg Display Co., Ltd. | Panel defect detection method and organic light-emitting display device using the same |
CN106485255A (zh) * | 2016-09-29 | 2017-03-08 | 深圳元启智能技术有限公司 | 一种dm码定位及识别的方法与*** |
KR101812953B1 (ko) * | 2017-06-23 | 2017-12-29 | 주식회사 디앤에스 테크놀로지 | 엠블럼 영상 식별에 의한 차종인식을 통한 차량 하부영상 검색 시스템 및 방법 |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及*** |
CN112884746A (zh) * | 2021-02-22 | 2021-06-01 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘形状匹配的字符缺陷智能检测算法 |
CN113379673A (zh) * | 2021-04-28 | 2021-09-10 | 合肥联宝信息技术有限公司 | 一种键盘小红帽检测方法、装置和设备 |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN115273088A (zh) * | 2022-09-30 | 2022-11-01 | 南通慕派商贸有限公司 | 基于机器视觉的汉字印刷质量检测方法 |
CN115330780A (zh) * | 2022-10-13 | 2022-11-11 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115376007A (zh) * | 2022-08-10 | 2022-11-22 | 北方工业大学 | 目标检测方法、装置、设备、介质及计算机程序产品 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
RU2787072C1 (ru) * | 2019-06-11 | 2022-12-28 | Цзянсу Вокэйшнл Колледж Оф Агрикальче Энд Форестри | Способ оперативного обнаружения поверхностных дефектов кроненпробок на основе обработки изображений |
CN116012357A (zh) * | 2023-02-09 | 2023-04-25 | 河南职业技术学院 | 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 |
-
2023
- 2023-06-13 CN CN202310691466.XA patent/CN116452580B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001243236A (ja) * | 2000-02-28 | 2001-09-07 | Nippon Telegr & Teleph Corp <Ntt> | 映像特徴抽出方法、映像特徴抽出装置、映像検索方法、映像検索装置、およびそのプログラムを記録した記録媒体 |
CN103077534A (zh) * | 2012-12-31 | 2013-05-01 | 南京华图信息技术有限公司 | 时空多尺度运动目标检测方法 |
US20160171328A1 (en) * | 2014-12-11 | 2016-06-16 | Xerox Corporation | Methods and systems for vehicle tag number recognition |
US20160351095A1 (en) * | 2015-05-29 | 2016-12-01 | Lg Display Co., Ltd. | Panel defect detection method and organic light-emitting display device using the same |
CN106485255A (zh) * | 2016-09-29 | 2017-03-08 | 深圳元启智能技术有限公司 | 一种dm码定位及识别的方法与*** |
KR101812953B1 (ko) * | 2017-06-23 | 2017-12-29 | 주식회사 디앤에스 테크놀로지 | 엠블럼 영상 식별에 의한 차종인식을 통한 차량 하부영상 검색 시스템 및 방법 |
RU2787072C1 (ru) * | 2019-06-11 | 2022-12-28 | Цзянсу Вокэйшнл Колледж Оф Агрикальче Энд Форестри | Способ оперативного обнаружения поверхностных дефектов кроненпробок на основе обработки изображений |
WO2021012735A1 (zh) * | 2019-07-25 | 2021-01-28 | 研祥智能科技股份有限公司 | 屏幕显示缺陷的检测方法及*** |
WO2022027949A1 (zh) * | 2020-08-04 | 2022-02-10 | 湖南大学 | 一种基于机器视觉的玻璃瓶底缺陷检测方法及*** |
CN112884746A (zh) * | 2021-02-22 | 2021-06-01 | 青岛星科瑞升信息科技有限公司 | 一种基于边缘形状匹配的字符缺陷智能检测算法 |
CN113379673A (zh) * | 2021-04-28 | 2021-09-10 | 合肥联宝信息技术有限公司 | 一种键盘小红帽检测方法、装置和设备 |
CN115376007A (zh) * | 2022-08-10 | 2022-11-22 | 北方工业大学 | 目标检测方法、装置、设备、介质及计算机程序产品 |
CN115273088A (zh) * | 2022-09-30 | 2022-11-01 | 南通慕派商贸有限公司 | 基于机器视觉的汉字印刷质量检测方法 |
CN115330780A (zh) * | 2022-10-13 | 2022-11-11 | 山东盛世恒机械制造有限公司 | 一种金属焊接夹渣缺陷快速检测方法 |
CN115351598A (zh) * | 2022-10-17 | 2022-11-18 | 南通钜德智能科技有限公司 | 一种数控机床轴承检测方法 |
CN115457041A (zh) * | 2022-11-14 | 2022-12-09 | 安徽乾劲企业管理有限公司 | 一种道路质量识别检测方法 |
CN116012357A (zh) * | 2023-02-09 | 2023-04-25 | 河南职业技术学院 | 基于机器视觉的汽车圆形拖车孔气纹缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
JIAHUI YU 等: "Automatic and Efficient Metallic Surface Defect Detection Based on Key Pixel Point Locations", 《IEEE SENSORS JOURNAL ( VOLUME: 21, ISSUE: 10, 15 MAY 2021)》 * |
王景中;杨源;何云华;: "基于多分类和ResNet的不良图片识别框架", 计算机***应用, no. 09 * |
许敏;马钺;陈帅;徐首帅;: "无标记印刷品质量在线检测方法研究", 传感器与微***, no. 10 * |
郭强生, 靳卫国, 周庆亚: "集成电路粘片机视觉检测技术研究", 电子工业专用设备, no. 07 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116823811A (zh) * | 2023-08-25 | 2023-09-29 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
CN116823811B (zh) * | 2023-08-25 | 2023-12-01 | 汶上县誉诚制衣有限公司 | 一种功能性冲锋衣表面质量检测方法 |
CN117197144A (zh) * | 2023-11-08 | 2023-12-08 | 深圳市极摩客科技有限公司 | 基于人工智能的主机外壳质量检测方法 |
CN117197144B (zh) * | 2023-11-08 | 2024-02-23 | 深圳市极摩客科技有限公司 | 基于人工智能的主机外壳质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116452580B (zh) | 2023-09-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116452580B (zh) | 一种笔记本外观质量检测方法 | |
CN112949564B (zh) | 一种基于深度学习的指针式仪表自动读数方法 | |
CN111833303B (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
CN114549835B (zh) | 一种基于深度学习的指针式仪表矫正识别方法及装置 | |
CN104568986A (zh) | 基于surf算法的遥控器面板印刷缺陷自动检测方法 | |
CN109918523B (zh) | 一种基于yolo9000算法的电路板元器件检测方法 | |
CN109886952B (zh) | 一种屏幕缺陷点检测方法及其装置、计算机可读介质 | |
CN112686264B (zh) | 数字式仪表读数方法、装置、计算机设备和存储介质 | |
CN110136116B (zh) | 一种注塑泵缺陷检测方法、装置、设备及存储介质 | |
CN107392221B (zh) | 分类模型的训练方法、分类ocr识别结果的方法及装置 | |
CN106815830B (zh) | 图像的缺陷检测方法 | |
CN110659637A (zh) | 一种结合深度神经网络和sift特征的电能表示数与标签自动识别方法 | |
CN115597494B (zh) | 一种基于点云的预制构件预留孔的精度检测方法、*** | |
CN111652117A (zh) | 一种对多文档图像分割的方法及介质 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN114677348A (zh) | 一种基于视觉的ic芯片缺陷的检测方法、***和存储介质 | |
CN116310424B (zh) | 基于图像识别的设备质量评估方法、装置、终端和介质 | |
WO2024045963A1 (zh) | 外观缺陷的检测方法、电子设备和存储介质 | |
CN115564779B (zh) | 一种零件缺陷检测方法、装置及存储介质 | |
CN109064420B (zh) | 一种多层pcb截面图像工艺参数提取方法 | |
CN105913440A (zh) | 一种基于双峰模式判别的织物材料表面疵点分割方法 | |
CN109949330B (zh) | 一种汽车表盘指针的快速并行细化方法 | |
CN114943710A (zh) | 利用改进最小二乘拟合对薄壁圆管类零件圆心定位的方法 | |
KR20180022619A (ko) | Pcb 패널 검사 방법 및 그 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |